Komparasi Metode Multiclass Classifier untuk Pengkategorian Artikel Berita Keterbukaan Pemerintah

Adira Kurniawan Firdaus, Dr. Agus Sihabuddin, S.Si., M.Kom;Drs. Bambang Nurcahyo Prastowo, M.Sc

2022 | Skripsi | S1 ILMU KOMPUTER

Open Government Indonesia (OGI) adalah suatu inisiatif untuk mengkonsolidasikan gerakan keterbukaan pemerintah dalam mendorong pembuatan kebijakan yang transparan dan inklusif, serta mendorong keterlibatan aktif dari warga negara sesuai dengan prinsip keterbukaan pemerintah. Dalam penelitian ini, akan diteliti potensi penggunaan algoritma untuk membangun model pengkategori berita keterbukaan pemerintah sesuai dengan prinsip keterbukaan pemerintah. Klasifikasi dokumen berita berdasarkan kategori di penelitian ini akan membandingkan algoritma klasifikasi Multinomial Naive Bayes (MNB), Random Forest Classifier (RFC), dan Support Vector Machine (SVM). Pengujian dilakukan pada hasil ekstraksi fitur TF-IDF dari teks berita keterbukaan pemerintah berjumlah 1500 yang dibagi menjadi 5 kategori. Hasil penelitian ini menunjukkan penggunaan Grid Search K-Fold Cross Validation untuk mengoptimalkan pengklasifikasi menghasilkan hasil yang kompetitif di antara ketiganya. Implementasi SVM tanpa stemming memiliki hasil akurasi dengan performa terbaik dengan akurasi sebesar 88,00%, presisi 87,98, recall sebesar 87,66%, dan F1-score sebesar 87,75%. Penggunaan RFC dengan stemming memiliki performa lebih baik dibandingkan implementasi tanpa stemming dengan nilai terbaik yaitu 85,67%, presisi sebesar 84,52%, recall sebesar 84,52%, dan F1-score sebesar 84,45%.

Open Government Indonesia (OGI) is an initiative to consolidate open government movement in guiding transparent and inclusive policy making, and driving active public participation based on open government principles. In this research, the possibilities to develop open government news categorization model based on open governments principles will be explored. By classifying based on categories, this research will compare Multinomial Naive Bayes (MNB), Random Forest Classifier (RFC), and Support Vector Machine (SVM) as multiclass classifier. Research will be applied on TF-IDF features extraction from 1500 open government news divided to 5 categories. The results of the training show that by utilizing Grid Search K-Fold Cross Validation to optimize classifiers, competitive results can be achieved between the three. Implementation of SVM without stemming shows best performance with accuracy score of 88,00%, precision of 87,98%, recall of 87,66%, and F1-score of 87,75%. Usage of RFC with stemming shows better result than without stemming with accuracy score of 85,67%, precision of 84,52%, recall of 84,52%, and F1-score of 84,45%.

Kata Kunci : News Categorization,SVM,RFC,Naive Bayes